《贝叶斯网络基础知识.doc》由会员分享，可在线阅读，更多相关《贝叶斯网络基础知识.doc（3页珍藏版）》请在三一文库上搜索。
1、贝叶斯网络随着计算机技术发展，知识发现和数据发掘能力越来越得到人 们的重视。在人工智能领域屮，贝叶斯网络以其对不确定知识的表达 能力，对数据处理分析的能力得到了广泛的应用。贝叶斯网络继承了 图论的直观性，同时以坚实的数学理论支撑，在医学诊断，故障分析 等领域的应用都证明了它存在的科学性和重要意义。结构学习是建立 贝叶斯网络的智能化方法，它以数据分析的方法，寻找能准确描述节 点之间依赖关系的网络，是贝叶斯网络理论发展的重要方向。提高贝叶斯网络结构学习效率的主要因素是评分函数和搜索算法，优 化评分函数的搜索算法是贝叶斯网络结构学习的核心问题 结构学习的CH评分：(与BD评分的区别是？)学习贝叶斯结
2、构实质上就是学习与数据拟合最好的网络结构。即 P(G|D)的最大值。由贝叶斯公式得:P(G|D)=晋 =P(G|G)另外, P(D)与结构无关，假设P(G)服从均匀分布。上式两边同时取对数得:logP(G| D)oclogP(D|G)因此，等价于求边际似然函数P(D|G)的最大值。(名字的由来：P(D|G,0)是二元组(G, 0) D的似然函数，记为：L(G,0|D)边际似然 函数P(D|G)记为L(G|D).若参数先验分布P(0|G)服从狄利克雷分布，则CH评分如下：对数似然函数:n Qi1(G|D)=i=l j = lWij)Fij + 】Aj)k=lgj + l】ijk)Fijk )由于
3、贝叶斯网络具有独特的不确定性表达形式、易于综合先验知识 以及直观的推理结果等特性，贝叶斯网络已逐渐成为在不确定情况下 进行推理和决策的一种很受欢迎的网络结构，贝叶斯网络结构学习是目前研究的热点，其目的是获取能较 好吻合数据集并口尽可能简单的网络结构.同时，贝叶斯网络结构学 习也是一个N P难题.MDL (等价于BIC)不需要计算参数的先验分布，计算简单，倾向于选 择较简单的网络结构，基本原理是对于给定的实力数据进行压缩，从 而降低数据的编码长度，一个MDL评分由以下两部分组成：(1) 模型的描述长度(n).n表示节点变量个数；ki 表示节点的父节点数目。条件概率表的编码长度L2 =呼(£打5 - DIttJ. N为实例数据集中实例的个数；|口|表示 变量父节点集合的取值组合的数目；Si表示变量取值的数目O(2) 数据的压缩编码长度L3 = NHH(Xi|7Ti) H(X|Y)=- S P(x|y)logP(x|y)为变量X对于变量Y的条件爛。Score MDL二L1+L2+L3连续变量离散化：对于连续型属性，主要是根据专家经验知识设置断 点进行离散化。贝叶斯狄利克雷标准(BD),即CH评分，在1992年由Cooper andHerskovits 提出。